拡散支配領域のマイクロ流体デバイス内の濃度を探るための物理ベース機械学習ツールボックス

小さな化学反応を実際に観察する

液体が岩石の微細な孔を通り抜けるとき、汚染物質を運んだり、二酸化炭素を貯留したり、あるいは核廃棄物を閉じ込めたりします。科学者たちは、こうしたプロセスを観察するために、多孔質岩を模した透明な小型デバイスであるマイクロ流体チップを用います。しかしカメラは結晶の成長や孔の閉塞を美しい映像で捉えられても、溶質がチャンネル内でどのように移動し蓄積するかを直接示すことはできません。本稿は、これらのチップから得られる画像を迅速かつ定量的な化学濃度マップに変換する新しいコンピュータツールボックスを紹介します。研究者が見えないものを可視化し、実験にリアルタイムで対応できるようにするものです。

画像から隠れた濃度マップへ

著者らは、現代のマイクロ流体実験における実用的なボトルネック、すなわち複雑なチップ全体で溶質の時間変化する濃度を、遅く侵襲的なセンサーを追加せずに測定する方法に取り組みます。従来は詳細な数値シミュレーションを行い、それを仮想プローブとして用いていました。これらのシミュレーションは精度が高い一方で非常に時間を要し、それぞれの画像に対して手作業での準備が必要でした。新しいツールボックスは、その大部分の重作業を物理に基づく機械学習アプローチで置き換えます。通常の光学顕微鏡画像と物理的条件を入力として受け取り、複数の溶質が時空間的にどう分布するか、拡散係数がどれほどか、どこに固体結晶が現れやすいかを高速に予測します。

一つの大きな推測ではなく三つの賢いステップ

単一の不透明なニューラルネットワークに頼る代わりに、このツールボックスは一般的なモデリングの作業フローを三つの透明なステップで模倣します。まずU-Netモデル（画像分割用ネットワークの一種）が、顕微鏡から得た生のカラー画像を単純な白黒マップに変換し、固体粒子と孔隙を区別します。これにより各粒界を手作業でトレースする必要がなくなります。次に畳み込みオートエンコーダがこれらの二値画像を本質的な形状を保持したまま圧縮された数値集合に変換します。さらにこのモデルは多数の追加の現実的な孔パターンを生成し、実験や手作業を増やすことなく訓練データを拡張します。

速度と信頼性のために物理を組み込む

最後のステップでは、非侵襲的還元基底法と呼ばれる手法を用います。この方法はシステムをブラックボックスとして扱うのではなく、ラティス・ボルツマン法に基づく完全な物理シミュレーション—複雑な構造を通る粒子の拡散を記述する確立された方程式—から出発します。これらのシミュレーションから、濃度場が典型的に示す振る舞いを表す少数の基底パターンを抽出します。軽量なニューラルネットワークは、圧縮された幾何学情報、時間、物理条件がどのようにこれらのパターンの重み付けに結びつくかだけを学習します。この設計により基礎となる物理は維持されつつ計算時間は大幅に短縮されます。訓練後は、スーパーコンピュータで何時間もかかるシミュレーションをノートパソコン上で数十分の一秒で置き換えることが可能になります。

変化する岩様チップと均一チップでの検証

ツールボックスの実証として、研究チームはストロンチウムと硫酸イオンを含む溶液が混ざりセレスタイト（SrSO₄）の結晶を形成する二つのマイクロ流体実験を研究しました。一方のチップは不規則な粒子を持つ天然岩を模し、もう一方は円形粒子の規則的配列を用いました。どちらの場合も繰り返し得られた光学画像により結晶成長に伴う孔の徐々な閉塞が記録されました。手作業で区分けした少数の画像だけを訓練に用いて、U-Netとオートエンコーダは97〜99％以上のセグメンテーション精度を達成しました。還元基底モデルは、トレーサー拡散および四種のイオン種について完全なシミュレーション結果を小さな誤差で再現し、元のシミュレーションに比べて10万倍から100万倍以上高速でした。

次にどこで結晶が成長するかを示す

高速な濃度予測ができることで、ツールボックスは飽和指標—局所条件が結晶成長に有利かどうかを示す指標—を算出できます。著者らはこれを用いて、10分先までにどこに新しいセレスタイト結晶が現れるか、または既存の結晶がどこで成長するかを予測しました。モデルが過飽和と示した領域は、後に顕微鏡画像で明るい新しい結晶が出現した場所とよく一致しました。同時に、ツールボックスは孔の閉塞に伴ってチップ全体の拡散のしやすさがどのように変化するかも推定し、微視的構造と巨視的輸送特性との橋渡しを行いました。

今後の実験にとっての意義

平たく言えば、この研究はマイクロ流体チップをより賢く、部分的にデジタル化された実験へと変えます。機械学習と物理的知見を組み合わせることで、ツールボックスは研究者に対し、画像が記録されるのとほぼ同じ速さで濃度場や沈殿の起こりやすい場所を「見る」手段を提供しつつ、解釈可能性も損ないません。これにより、実験と並走して動作する仮想コピーであるマイクロ流体システムの真のデジタルツインの実現への道が開かれます。それは条件を変えるタイミングや高精度なイメージングを集中的に行う場所、変化する孔構造が流れや反応に与える影響を示唆できます。現状の成果は拡散駆動反応に焦点を当てていますが、同じ枠組みは将来的に炭素貯留や地下水浄化といった幅広いラボオンチッププロセスの設計・制御にも役立つ可能性があります。

引用: Santoso, R., Yang, Y., Lönartz, M. et al. Physics-based machine learning toolbox for probing concentration under diffusive regime in microfluidics devices. Commun Phys 9, 106 (2026). https://doi.org/10.1038/s42005-026-02590-y

キーワード: マイクロ流体, 物理ベース機械学習, 多孔質体, 結晶沈殿, デジタルツイン